Un sistema de IA de Microsoft acertó el diagnóstico en 83,2% de 304 casos clínicos complejos. Un grupo de médicos generales, con libros e internet a mano, llegó a 36,1% en los mismos casos. La prueba se publicó el 22 de octubre en Science. Midió una destreza que los exámenes de licencia no capturan: el diagnóstico paso a paso. Cada pregunta y cada examen se piden de a uno, como en una consulta real. De acuerdo con lo publicado por Science, el sistema se llama MAI-DxO y debate por rondas como un panel de especialistas.
Las pruebas de licencia que evalúan a la IA médica entregan toda la información por adelantado y piden marcar una alternativa. Un modelo entrenado con esos formatos puede responder sin decidir qué preguntar. En una consulta ocurre lo contrario: la persona cuenta algo incompleto y el profesional elige el próximo dato. Para medir esa diferencia, los investigadores armaron SDBench, un banco de pruebas interactivo. Reúne los casos de las sesiones clínico-patológicas del New England Journal of Medicine y un conjunto de ingresos de urgencias de la base MIMIC-IV-ED. Un portero automático entrega la información solo cuando se le pide. Cada examen suma además un costo estimado con tarifas hospitalarias de Estados Unidos.
El diagnóstico paso a paso cambia qué se pregunta primero
El sistema reparte el trabajo entre roles. Uno sostiene la hipótesis principal, otro busca explicaciones alternativas y un tercero controla el gasto. En cada ronda, el panel actualiza el cuadro con lo que devuelve el portero y decide si pide otro examen o cierra el caso. En los casos del NEJM, los médicos hicieron 5,6 preguntas antes del primer examen; el sistema hizo 25,5. Ese orden explica buena parte del resultado. El diagnóstico paso a paso obliga a tomar historia clínica antes de pedir imágenes o laboratorio.
En los ingresos de urgencias la brecha se repitió: 80,3% contra 46,8%. Sin límite de presupuesto el sistema gastó más por caso que los médicos; con un tope de gasto bajó a una fracción de ese costo y conservó cerca de 80% de acierto. El equipo afirma que ninguna otra combinación de personas y modelos resultó a la vez más precisa y más barata. Los autores repitieron la prueba con modelos más nuevos, incluido GPT-5.5, y la ventaja se mantuvo sin cambiar el método.
Los errores también se parecen poco. Cuando el sistema falló, acertó la enfermedad y erró el subtipo, o al revés. Los médicos se alejaron más: nombraron otra enfermedad o un cuadro más amplio. Los autores atribuyen parte de la ventaja a la amplitud de conocimiento del modelo de base. También a su constancia: el sistema no llega agotado a la sexta hora de turno. Para medir el desempeño humano reclutaron médicos en actividad de atención primaria, hospitalización y urgencias. No fueron estudiantes ni especialistas del área de cada caso.
Lo que la prueba deja fuera
El ejercicio es de texto. Ni el sistema ni los médicos vieron imágenes, exámenes físicos ni láminas de anatomía patológica. Ningún caso quedó sin diagnóstico confirmado. La comparación fue contra médicos generales, no contra especialistas ni equipos completos, y los autores esperan que la brecha se estreche con especialistas del área. La prueba tampoco midió tratamiento, seguridad del paciente ni desenlaces. Todos los autores trabajan en Microsoft y tienen acciones de la empresa. Varios figuran como inventores en una solicitud de patente sobre el marco de evaluación. El estudio no recibió financiamiento externo.
El siguiente paso anunciado es un piloto con el Beth Israel Deaconess Medical Center de Boston. Allí evaluarán si el sistema ayuda a clasificar pacientes en las salas de espera de urgencias. Para América Latina la prueba todavía no dice nada: los casos, los costos y los médicos son estadounidenses. Lo que sí se puede trasladar es el método. Un servicio con pocos especialistas puede ganar más ordenando la secuencia de preguntas que cambiando de modelo. El cuello de botella se muda a la decisión de qué evidencia pedir y cuándo detenerse.
Otras fuentes consultadas: Microsoft AI (22/10/2026) · Medical Economics (22/10/2026) · The Next Web (23/10/2026) · SDBench, Microsoft (22/10/2026).
